所谓不完备图像数据是指在许多实际问题中获取图像数据存在缺失及噪声污染的数据,这些数据普遍存在于生物医学图像、遥感图像及计算机视觉等应用领域。目前,对不完备数据的应用处理主要集中在重建和恢复方面,相对而言,不完备图像数据的分类是一个崭新的研究方向。由于缺乏对缺失数据特征提取和描述的强有力手段,使得不完备图像数据的分类研究滞步不前。90年代末期发展起来的基于数据张量描述的张量投票方法是一种符合人类视觉特性的空间结构特征的提取算法。对稀疏数据用张量表示,通过张量的非线性投票方法和特征提取算法实现空间结构的提取,从而实现不完备数据图像中结构的完备化。考虑到核学习方法特别是支持向量机,它是以统计学习理论为基础的一种模式分类算法,具有良好的计算有效性、健壮性和统计稳定性等特点,在图像分类问题上具有明显的优势,因此本文将图像张量分析纳入到核学习方法中,建立基于张量分析的核学习方法,并实现不完备图像数据集的分类。本文工作的重点是研究不完备图像数据的分类问题。论文首先综述了张量分析与学习分类方法;然后介绍了支持向量机的原理及特点;接下来详细介绍图像的张量表示、张量投票及特征提取方法,并针对不同的应用情况提出了改进的张量投票算法。在此基础上,提出了针对不完备图像数据的分类算法即基于张量分析的不完备图像数据分类,它是将张量特征和灰度特征作为支持向量机学习与分类的输入特征;本文以云层遮挡卫星遥感图像为例,验证了所提算法的有效性,并将其同最小距离、最大似然和BP神经网络进行了比较。实验结果表明本文方法能够取得较好的分类效果。